粒子群优化算法(PSO)

摘要： 为了解决磁耦合谐振无线电能传输(WPT)系统在多负载情况下系统效率低、功率分配不均的问题,本文建立多负载系统的等效电路模型并进行理论推导,分析系统各负载两端电压对功率、效率的影响,提出一种能够同时实现功率分配和效率最大化的数值优化方法。首先通过对等效电路的分析确定系统总效率表达式,并以此作为目标函数;再以系统各接收端额定功率作为约束,通过粒子群优化算法(PSO)搜寻效率最大值;最后通过搭建仿真模型验证该控制方法的优越性。

摘要： 研究3-状态设备网络GRAP问题,即允许子系统可选择不同类型的元件,确定选择元件的冗余度,满足系统重量和费用约束的前提下,使系统可靠度最大。设计了一个离散型,具有动态变化权重,具有压缩系数的迭代PSO算法用于问题求解,通过对推广的FYFFE问题模拟仿真,验证算法的有效性和正确性。结果表明:PSO算法很好地解决了3-状态设备网络GRAP问题,算法具有快速、易于编程实现、原理容易理解等特点。

摘要： 城市燃气管道由于长时间受到温度、压力、含水量等环境因素的影响,管材极易腐蚀、老化,无法到达设计寿命。针对这一问题,本文提出了一种PSO-SAE算法,利用优化算法自适应调整SAE网络中的超参数,实现对城市燃气管道的剩余寿命这一保障管材安全使用的关键指标做出准确预测,并通过实验验证该方法的有效性和可行性,对燃气企业的安全生产管理具有积极的参考意义。

摘要： 针对YJ900运架一体机行走液压系统容易发生的内泄漏故障问题,运用AMESim软件建立其液压仿真模型.模型中引入泵泄漏、马达泄漏以及泵和马达同时存在泄漏3种典型故障模式,并采集液压马达进出口数据作为样本.将数据样本分为训练样本和测试样本,将训练样本输入MATLAB搭建BP神经网络故障诊断模型,并用测试样本完成故障模型的测试.主要研究神经元个数以及训练样本数对故障诊断成功率的影响.利用粒子群优化算法(PSO)对BP神经网络进行初始权重和偏置的优化,从而显著提高了少训练样本下的故障诊断成功率.

摘要： 针对野外低温环境下,基于铵离子选择性电极的氨氮传感器检测失准问题,通过分析传感器检测原理,在0～30°C进行了水质标样氨氮检测对比实验,探究了温度变化对氨氮传感器输出结果的影响;将粒子群优化算法(particle swarm optimi-zation,PSO)与支持向量回归(support vector regression,SVR)结合,建立了氨氮检测的PSO-SVR温度补偿模型,并与最小二乘多项式回归、传统SVR建立的温度补偿模型对比,PSO-SVR温度补偿模型具有较高的决定系数和较小均方根误差(root mean square error,RMSE).在实际水样检测实验中,经过该模型补偿后氨氮传感器的输出值与实验室内根据《水质氨氮测定》(HJ 535-2009)测得的氨氮标准值之间最高偏差为4.76％,最低偏差为0.64％,偏差范围符合预期补偿目标,表明模型具有较高的温度补偿精度,对非训练数据具有良好的泛化能力,能够满足实际使用的精度要求.

摘要： 为对气体绝缘金属封闭输电线路(GIL)局部放电缺陷进行识别与诊断,本文提出一种基于1.5维能量谱与粒子群优化极限学习机(PSO-ELM)的局部放电缺陷诊断方法.首先,通过计算局部放电引起的GIL异常振动信号的1.5维能量谱,得到不同类型放电情况的能量波动特征;其次,构建PSO-ELM模型,以1.5维能量谱作为特征量对GIL局部放电故障进行识别与诊断;最后,通过不同方法的对比,验证该方法的优越性,为GIL在输配电系统中的安全、稳定运行提供依据.

摘要： 针对传统L型滤波器电压型脉冲宽度调制(PWM)整流器存在的入网电流波形总畸变率过高、稳定性差及控制精度低等问题,提出了基于径向基函数神经网络(RBFNN)分段在线优化的LCL型滤波器电压型PWM整流器无源控制策略,设计了LCL滤波电压型PWM整流器的内环无源控制器,和基于RBFNN的外环PID控制器.用粒子群优化算法(PSO)对初始注入阻尼及不同负载下的RBFNN学习率、动量因子及饱和函数的饱和值等参数进行离线优化,以负载电阻值作为RBFNN分段优化触发条件,根据负载变化使用PSO离线优化值对RBF-PID参数进行分段在线优化,实现最优动态调整.

摘要： 传统粒子群算法采用整体维度更新策略,常因某一维或某几维未达到最优解,导致粒子适应值变差.针对此问题,提出具有动态子空间的随机单维变异粒子群优化算法,从优质粒子全维空间中,构造动态子空间,并随机选择异于子空间的一维进行变异.子空间大小动态变化:前期选取多数维度组成子空间,增大变异维度的多样性;后期选取少数维度组成子空间,增强粒子精细搜索的能力.同时,根据Pareto定律,使种群在前期20％迭代次数内,探索新解空间区域,后期80％迭代次数内,进行有效的平衡搜索,加快种群收敛速度.使用多类型基准测试函数,在30、50和100维下进行仿真实验,结果表明,该算法在收敛速度和精度上,不仅优于新改进的粒子群算法,而且优于新改进的人工蜂群算法和萤火虫算法.

摘要： 一种基于粒子群优化算法PSO的TBM减振控制方法，包括以下步骤：1)建立TBM集中参数动力学模型；2)TBM集中参数动力学模型中各刚度环节的建模；3)以TBM振动烈度最低和TBM的掘进比能最低为目标，建立多目标优化减振控制模型；4)基于PSO算法对多目标优化减振控制模型进行求解，将实时测量的振动参数与根据上述集中参数动力学模型计算的理论振动参数进行比较，进而调整多目标优化减振控制模型中与上述振动参数相关的控制参数，通过最优化迭代算法得到最优的刚度参数和掘进参数，基于最优的刚度参数和掘进参数进一步调整TBM实际操作过程中的控制参数，以实现对TBM振动的优化控制，达到TBM在较低振动水平条件下的高效掘进的目标。

摘要： 本发明给出一种基于粒子群优化算法和蚁群优化算法的频谱感知方法，该方法在多簇认知电无线网络中，首先通过粒子群优化算法获得每个小簇中簇头的最佳位置，这些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果，接着采取蚁群优化算法，根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信息传送给簇头，簇头将所有信息(包括自己的信息)按照一定权值进行融合，获得判决信息，并将判决信息发送给融合中心，融合中心融合所有簇头发送的信息作出判决，完成检测。本发明根据簇头位置的最优化设置和感知信息路径的最优化选择，能够缩短感知时间，增强检测性能。

摘要： 本发明公开了改进量子粒子群优化算法的方法及基于改进算法的应用。其中，该方法包括：寻找粒子群中的拐点，其中，拐点是在任一方向上所能进行搜索的极限位置，拐点至少为两个；计算拐点的适应度值；对拐点的适应度值与个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值；更新种群的历史最优位置和中心粒子，其中，中心粒子为所有粒子的个体极值所形成的中心；通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值；根据个体极值和全局极值更新粒子的位置。本发明解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

摘要： 本公开提供了一种粒子群优化算法模型的训练方法、粒子群优化方法及装置。该方法包括：根据由第一电子设备生成的粒子训练种群确定适应度以及与适应度对应的初始最优位置，在进行第t次迭代训练的过程中，根据动作网络和第t观测状态，确定粒子训练种群的第t选择动作，确定粒子训练种群的第t奖励回报和第t+1观测状态，将第t观测状态、第t选择动作、第t奖励回报和第t+1观测状态确定为与第t次迭代训练对应的一个状态转移信息并存储于缓存中，根据从缓存中获取的一个状态转移信息和价值网络的损失函数，计算第t损失结果，根据第t损失结果和状态转移信息训练价值网络和动作网络，进而得到粒子群优化算法模型。

摘要： 一种基于粒子群优化算法PSO的TBM减振控制方法，包括以下步骤：1)建立TBM集中参数动力学模型；2)TBM集中参数动力学模型中各刚度环节的建模；3)以TBM振动烈度最低和TBM的掘进比能最低为目标，建立多目标优化减振控制模型；4)基于PSO算法对多目标优化减振控制模型进行求解，将实时测量的振动参数与根据上述集中参数动力学模型计算的理论振动参数进行比较，进而调整多目标优化减振控制模型中与上述振动参数相关的控制参数，通过最优化迭代算法得到最优的刚度参数和掘进参数，基于最优的刚度参数和掘进参数进一步调整TBM实际操作过程中的控制参数，以实现对TBM振动的优化控制，达到TBM在较低振动水平条件下的高效掘进的目标。

摘要： 本发明给出一种基于粒子群优化算法和蚁群优化算法的频谱感知方法，该方法在多簇认知电无线网络中，首先通过粒子群优化算法获得每个小簇中簇头的最佳位置，这些最佳位置的簇头能够获得比簇内其他感知用户更可靠的检测结果，接着采取蚁群优化算法，根据信息素浓度寻找各感知用户信息传送的最短距离。各感知用户采用最短距离将信息传送给簇头，簇头将所有信息(包括自己的信息)按照一定权值进行融合，获得判决信息，并将判决信息发送给融合中心，融合中心融合所有簇头发送的信息作出判决，完成检测。本发明根据簇头位置的最优化设置和感知信息路径的最优化选择，能够缩短感知时间，增强检测性能。

摘要： 一种基于类粒子群正态优化算法的SKINNY算法组件优化方法，包括步骤如下：1、设定SKINNY密码算法组件格式；2、种群初始化，生成符合要求的初始种群用于后续优化；3、种群个体预处理，对种群中的个体进行预处理，使其符合SKINNY密码算法组件格式，用于后续目标函数计算；4、设定SKINNY密码算法目标函数，根据SKINNY密码算法所需要优化的性能指标，选择确定轮数下的活跃s盒数作为优化标准，计算方式作为SKINNY密码算法目标函数；5、种群迭代更新，根据类粒子群正态优化算法的设定对初始种群进行更新迭代，最终得到符合设定指标下的种群；6、算法输出，根据设定，对符合要求的算法组件进行存储，并输出一个或多个性能最优的算法组件。

摘要： 本发明提供的是一种基于粒子群优化算法的无迹粒子滤波方法。第一步，初始时刻，由初始分布p(x0)中得到一组初始粒子，并设置其初始的均值和方差；第二步，重要性采样；第三步，权值更新；第四步，得到归一化的权值；第五步，再采样；第六步，状态更新；第七步，求解当前时刻的全局最优解G(t)。本发明通过粒子群优化过程，使得粒子集在权值更新之前更加趋向于高似然区域，从而在一定程度上解决了样本贫化问题。优化过程使得远离真实状态的粒子趋向真实状态出现概率较大的区域，提高了每个粒子的作用效果。与其他智能优化算法相比，粒子群优化算法具有容易实现且没有许多参数需要调整的优势，并且降低了精确估计所需要的粒子数，提高了滤波的计算效率。

摘要： 本发明公开了改进量子粒子群优化算法的方法及基于改进算法的应用。其中，该方法包括：寻找粒子群中的拐点，其中，拐点是在任一方向上所能进行搜索的极限位置，拐点至少为两个；计算拐点的适应度值；对拐点的适应度值与个体极值的适应度值进行比较，根据比较结果更新粒子的个体极值；更新种群的历史最优位置和中心粒子，其中，中心粒子为所有粒子的个体极值所形成的中心；通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值；根据个体极值和全局极值更新粒子的位置。本发明解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。

摘要： 一种结合遗传算法的混合粒子群优化算法，综合了粒子群优化(Particle Swarm Optimization,PSO)算法全局搜索能力强和遗传算法(Genetic Algorithm,GA)局部收敛速度快的优点，首先借助粒子群优化算法全局搜索能力强的特点进行全局搜索，当迭代次数进行到指定代数并接近全局最优解时，此时整个种群进入全局最优解的邻域内；其次，利用改进的遗传算法在全局最优解的邻域内进行局部快速搜索，最终到达全局最优解。